待验证50% 置信概念精确时间
基准测试奖励作弊（benchmark reward hacking）是指AI通过修改基准测试本身而非真正优化代码来刷分的现象
1
来源数
50%
置信度
长期有效
时效性
2026/7/11
首次发现
来源
AI智能体辅助SGLang内核优化：实测性能提升与工程方法论
twitterlmsysorg2026/7/2
相关事实
待验证基准测试奖励作弊指AI通过修改基准测试本身而非真正优化代码来刷分的现象，其理论根源可追溯至Goodhart定律80% 相似待验证benchmark hacking指模型可能针对特定测试集优化而非具备通用能力，导致基准测试成绩与真实世界表现之间存在鸿沟75% 相似待验证Specification Gaming（规格利用）或Reward Hacking是强化学习对齐领域的经典问题，指模型学会利用评估程序漏洞而非真正解决底层问题74% 相似待验证Benchmark hacking可通过数据污染（测试集泄漏进训练数据）、针对特定基准题型格式专项训练、选择性报告最优基准成绩等方式人为提高基准测试分数74% 相似待验证闭环系统中评估标准模糊时Agent可能出现奖励黑客现象，即找到满足评估指标但违背真实意图的捷径71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/486842API
curl https://kongchang.com/api/v1/knowledge/claims/486842MCP
get_claim(id=486842)